WEBVTT 00:00.300 --> 00:02.930 Hallo und willkommen zu diesem Python-Tutorial. 00:02.940 --> 00:08.700 In Ordnung, also bauen wir einfach die Architektur eines neuronalen Netzwerks mit der Funktion unserer Netzwerkklasse auf 00:09.030 --> 00:13.650 und dann werden wir eine zweite Funktion erstellen, die die Vorwärtsfunktion sein wird 00:13.650 --> 00:15.810 und die Neuronen aktivieren wird. 00:15.840 --> 00:19.770 Dies ist die Funktion, die für die Ausbreitung ausgeführt wird. 00:19.830 --> 00:27.240 Also machen wir das. Lass uns diese Funktion machen, lass es uns vorwärts nennen, wie wir gerade gesagt haben, und 00:27.240 --> 00:29.550 diese Funktion wird zwei Argumente annehmen. 00:29.610 --> 00:35.070 Erstens ist es wie üblich, dass Sie wissen, dass Sie die Variablen des Objekts verwenden können, da 00:35.070 --> 00:37.400 wir dazu SE1 NFC verwenden werden. 00:37.500 --> 00:43.440 Wir brauchen also das Ich, um diese Variablen verwenden zu können, und dann brauchen wir ein 00:43.590 --> 00:50.100 zweites Argument, das unsere Eingabe ist, und wir nennen es "state", weil state genau die Eingabe unserer neuronalen Netzwerke 00:50.100 --> 00:50.580 ist. 00:50.580 --> 00:51.980 Sie wissen, das sind die Staaten. 00:51.990 --> 00:57.320 Es gibt andere Eingänge, die in das neuronale Netzwerk eingehen, und als Ausgänge werden die q-Werte der 00:57.330 --> 01:00.560 drei möglichen Aktionen nach links oder nach rechts gehen. 01:00.690 --> 01:06.210 Wir müssen es jedoch nicht als Argument vorbringen, denn genau das, was wir zu 01:06.210 --> 01:11.880 dieser Vorwärtsfunktion zurückkehren möchten, aktiviert nicht nur die Neuronen, sondern auch und sie liefern meistens 01:11.880 --> 01:16.640 die Cube-Werte für jede mögliche Aktion abhängig von der Eingabezustand hier. 01:16.650 --> 01:17.060 Gut. 01:17.100 --> 01:19.000 Das sind also die zwei Argumente, die wir brauchen. 01:19.140 --> 01:24.440 Gehen wir nun in die Funktion und geben Sie an, was wir tun wollten. 01:24.740 --> 01:29.940 OK, das erste, was wir tun werden, ist die Aktivierung der verborgenen Neuronen und wir werden die 01:29.940 --> 01:34.690 verborgenen Neuronen durch die Variable x nennen, so dass x die verborgenen Neuronen darstellt. 01:34.800 --> 01:36.750 Und so, wie man sie aktiviert. 01:36.930 --> 01:39.990 Natürlich nehmen wir unsere Input-Neuronen. 01:40.170 --> 01:45.360 Wir werden unsere erste vollständige Verbindung verwenden, wenn Sie die versteckten Neuronen erhalten möchten, 01:45.360 --> 01:49.570 und dann die Inaktivierungsfunktion anwenden, die die korrigierte Funktion ist. 01:49.860 --> 01:51.450 Wie wirst du das tun? 01:51.450 --> 01:54.680 Denken Sie daran, dass wir die Fackel importiert haben. 01:54.730 --> 02:01.450 Dieses Funktionsmodul enthält alle Funktionen, um das neuronale Netzwerk zu implementieren. 02:01.560 --> 02:02.960 Und wir gaben die Abkürzung. 02:03.450 --> 02:08.130 Also, was wir jetzt tun werden, ist, dass wir eine dieser Funktionen aus dem 02:08.130 --> 02:11.240 Funktionsmodul verwenden und diese Funktion soll wirklich funktionieren. 02:11.430 --> 02:16.490 Was wirklich relevant ist, ist die Gleichrichterfunktion, die Sie in den Intuitionsvorlesungen gesehen haben. 02:16.620 --> 02:19.040 Das ist einfach so und dann die Gleichrichterfunktion gegeben. 02:19.170 --> 02:26.130 Da diese Funktion jedoch von der Funktion übernommen wird, in der die Abkürzung gegeben wurde, müssen 02:26.130 --> 02:31.860 wir hier zuerst die Gedanken eingeben und dann können wir diese Funktion übernehmen. 02:31.990 --> 02:36.610 Und wenn ich tippe, sind wir hier, wir haben die eigentliche Funktion. 02:36.630 --> 02:41.980 Das ist also eine Funktion, die die verborgenen Neuronen aktiviert, nämlich x. 02:42.030 --> 02:47.640 In dieser Funktion verstehen wir nun vollkommen, was wir eingeben müssen, nämlich die Neuronen, die 02:47.640 --> 02:48.920 wir aktivieren möchten. 02:48.990 --> 02:54.300 Das sind die versteckten Neuronen, und um diese versteckten Neuronen zu erhalten, nehmen wir 02:54.520 --> 03:01.540 unsere erste vollständige Verbindung, die wir auf unsere Eingangsneuronen anwenden, um von den Eingangsneuronen zu den Neuronen zu gelangen. 03:01.800 --> 03:04.450 Nehmen wir also unsere erste vollständige Verbindung. 03:04.620 --> 03:08.070 Aber unsere erste vollständige Verbindung ist eine Variable unseres Objekts. 03:08.130 --> 03:12.070 Deshalb müssen wir hier zuerst selbst eingeben. 03:12.120 --> 03:13.550 FC eins hier gehts. 03:13.620 --> 03:16.660 Dies ist die erste vollständige Verbindung unseres neuronalen Netzwerks. 03:16.980 --> 03:22.890 Innerhalb dieser persönlichen Verbindung werden wir unsere Eingabezustände eingeben, um von den Eingabe-Neuronen zu den verborgenen 03:23.010 --> 03:24.210 Neuronen zu gelangen. 03:24.480 --> 03:30.680 Und da wir ihm den Namen STATE gegeben haben, haben wir zwei Eingabestatus. 03:30.720 --> 03:34.360 Wir bekommen jetzt aktivierte versteckte Neuronen. 03:34.510 --> 03:35.000 Gut. 03:35.040 --> 03:40.610 Und jetzt, da wir die verborgenen Neuronen haben, werden wir die Ausgabeneuronen zurückgeben. 03:40.640 --> 03:46.240 In der nächsten Zeile und wie Sie es verstanden haben, entsprechen die Ausgabeneuronen unseren Handlungen. 03:46.370 --> 03:48.170 Dies sind jedoch nicht die Aktionen direkt. 03:48.290 --> 03:55.760 Dies sind die q-Werte, da wir ein digitales Modell erstellen, das ein tieferes Modell zum Q-Lernen kombiniert. Daher verwenden wir q-Lernen 03:56.020 --> 04:02.090 hier, um die q-Werte für jede unserer Aktionen zu erhalten, und verwenden später gesäubertes Max oder in 04:02.090 --> 04:09.560 unserem Max werden wir dies tun Holen Sie sich die endgültige Aktion, so dass hier der Voivode, den ich gerade einführen 04:09.560 --> 04:13.560 möchte, der APA-Nuance entspricht und da die Ausgabeneuronen die Schlüsselwerte sind. 04:13.640 --> 04:15.590 Nun, ich werde diese Variable nennen. 04:15.590 --> 04:24.630 Q Das bedeutet, dass wir zu q-Werten gehen und jetzt direkt unsere Nahrungsverbindung nehmen, die die Variable ist. 04:24.810 --> 04:27.010 Um eine Variable aus unserem Objekt zu setzen. 04:27.020 --> 04:33.830 Wir nehmen hier das selbstlernende F C mit und geben hier natürlich die Neuronen der linken Seite dieser 04:34.010 --> 04:34.860 Verbindung ein. 04:34.910 --> 04:38.050 Das ist es, was wir aus der ersten Zeile bekommen haben, nämlich x. 04:38.270 --> 04:40.770 Also x Da gehen wir hin. 04:40.790 --> 04:42.650 Wir erhalten jetzt unsere Q-Werte. 04:42.680 --> 04:45.790 Das sind die Ausgangsneuronen unseres neuronalen Netzwerks. 04:46.100 --> 04:46.800 OK. 04:47.060 --> 04:53.050 Und dann wird die letzte Codezeile natürlich verwendet, um diese Werte zurückzugeben. 04:53.210 --> 05:02.900 Also müssen wir nur einen Return und einfach Q-Werte hinzufügen, und das gibt die Schlüsselwerte 05:02.900 --> 05:06.310 für jede mögliche Aktion zurück. 05:06.370 --> 05:06.760 Gut. 05:06.760 --> 05:08.370 Also herzlichen Glückwunsch. 05:08.370 --> 05:13.720 Wir sind mit unserer ersten Klasse fertig und tatsächlich haben wir die Architektur des neuronalen Netzwerks fertiggestellt. 05:13.720 --> 05:15.550 Denken Sie daran, dass dies nicht abgeschlossen ist. 05:15.550 --> 05:19.890 Sie können die Architektur des neuronalen Netzwerks immer verbessern, indem Sie verschiedene ausprobieren. 05:20.020 --> 05:22.780 Fühlen Sie sich also frei, indem Sie hier weitere Neuronen hinzufügen. 05:22.780 --> 05:28.270 Wenn Sie beispielsweise 50 versteckte Neuronen hinzufügen möchten, können Sie einfach die 30 hier und die 05:28.270 --> 05:34.860 30 hier durch 50, 50 und 50 ersetzen. Anschließend können Sie weitere verborgene Ebenen hinzufügen, indem Sie nützliche Verbindungen herstellen. 05:34.990 --> 05:37.630 Nun, das ist wirklich die Aufgabe eines Künstlers. 05:37.660 --> 05:41.980 Es gibt keine allgemeine Regel für die beste Architektur in jeder Situation. 05:42.040 --> 05:43.720 Deshalb müssen wir experimentieren. 05:43.940 --> 05:50.140 Lassen Sie uns damit versuchen, Sie werden sehen, dass wir irgendwann ein ziemlich gutes selbstfahrendes Auto bekommen. 05:50.170 --> 05:50.590 Gut. 05:50.620 --> 05:55.960 Und jetzt machen wir die nächste Klasse, in der es um die Wiederholung von Erfahrungen geht, und wir werden diese in den 05:55.990 --> 05:57.450 nächsten drei bis zwei Stunden machen. 05:57.610 --> 05:59.080 Bis dahin genießen Sie die KI.